基于学生校园数据的学业预警与社交分析系统的设计与实现
发布时间：2022-02-19 14:48
数据挖掘技术与人工智能算法的发展日新月异,为我们从海量的数据中挖掘有价值的信息并且加以利用奠定了坚实的理论和应用基础,与此同时,对于探索隐藏于数据背后的信息的需求也与日俱增。无线网络和智能手机的蓬勃发展,以及校园数字管理系统的普及,使得我们可以获取并分析学生丰富多彩的校园生活中产生的轨迹和行为数据,挖掘有价值的信息从而为更科学有效地管理学生提供数据驱动的指导方针。教育大数据（Educational Data Mining）近些年来已经成为了许多高校研究的热点内容。本论文基于校园多源异构数据,结合Wi-Fi定位技术、轨迹数据挖掘技术、社交网络分析技术、机器学习以及深度学习技术,构建学生个人行为画像以及社交行为画像,设计深度学习网络结合多方面因素对学生的学习成绩进行预测,设计并实现学业预警与社交分析系统。首先对包含Wi-Fi探针定位、校园网使用数据、校园卡使用数据等的多源异构数据进行预处理并基于时空信息进行融合从而构建学生的校园轨迹,接着设计算法和规则构建学生的个人用户画像,对画像与学生学业成绩的相关性进行展示和分析并基于用户画像对学生成绩进行预测。然后基于学生校园轨迹设计学生向量嵌入算法...
【文章来源】：北京邮电大学北京市211工程院校教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 研究内容和方法
1.3 论文结构
第二章 相关研究现状
2.1 教育数据分析
2.2 学生成绩预测
2.3 表示学习模型
2.4 轨迹相似度计算
第三章 多源异构数据预处理
3.1 多源异构数据收集
3.1.1 校园多源异构数据
3.1.2 移动轨迹数据
3.1.3 校园Wi-Fi日志数据
3.1.4 校园网关数据
3.1.5 校园一卡通数据
3.1.6 其它数据
3.2 数据清洗
3.2.1 过滤无效MAC地址
3.2.2 过滤非移动设备
3.2.3 过滤无效移动设备
3.2.4 过滤无效和冗余数据
3.3 多源数据融合
3.3.1 多源数据融合分类
3.3.2 学生ID与MAC映射算法
3.3.3 学生校园轨迹
3.4 本章小结
第四章 基于个人画像的成绩预测
4.1 行为特征提取
4.1.1 时空特征
4.1.2 校园网特征
4.1.3 智能卡特征
4.1.4 自定义特征
4.2 特征相关性分析
4.2.1 统计性相关分析
4.2.2 皮尔森相关系数分析
4.2.3 单因素方差分析
4.3 学习成绩预测
4.4 本章小结
第五章 社交画像构建与Deep-Stu成绩预测
5.1 Stu2Vec学生向量嵌入算法
5.1.1 校园轨迹库构建
5.1.2 学生向量训练
5.1.3 轨迹相似度验证
5.2 社交画像构建
5.3 Deep-Stu成绩预测模型
5.3.1 学生轨迹矩阵构建
5.3.2 Deep-Stu模型
5.3.3 成绩预测结果
5.4 本章小结
第六章 学业预警与社交分析系统
6.1 数据持久层
6.2 表现层状态转化
6.3 学生画像展示
6.4 学生画像对比
6.5 异常学生预警
6.6 关注学生
6.7 本章小结
第七章 总结与展望
参考文献
致谢
攻读学位期间发表或已录用的学术论文
【参考文献】：
期刊论文
[1]教育大数据在高校贫困生预测中的应用研究[J]. 朱剑林,朱容波,康怡琳,韦唯. 教育教学论坛. 2018(21)
[2]基于智慧课堂的教育大数据分析与应用研究[J]. 刘邦奇,李鑫. 远程教育杂志. 2018(03)
[3]教育大数据深度学习的价值取向、挑战及展望——在技术促进学习的理解视域中[J]. 赵慧琼,姜强,赵蔚. 现代远距离教育. 2018(01)
[4]数据挖掘中的分类算法综述[J]. 魏茂胜. 网络安全技术与应用. 2017(06)
[5]发展教育大数据:内涵、价值和挑战[J]. 杨现民,唐斯斯,李冀红. 现代远程教育研究. 2016(01)
[6]关于数据挖掘中的数据分类算法的综述[J]. 钱双艳. 电子制作. 2014(13)
本文编号：3633094
【文章来源】：北京邮电大学北京市211工程院校教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 研究内容和方法
1.3 论文结构
第二章 相关研究现状
2.1 教育数据分析
2.2 学生成绩预测
2.3 表示学习模型
2.4 轨迹相似度计算
第三章 多源异构数据预处理
3.1 多源异构数据收集
3.1.1 校园多源异构数据
3.1.2 移动轨迹数据
3.1.3 校园Wi-Fi日志数据
3.1.4 校园网关数据
3.1.5 校园一卡通数据
3.1.6 其它数据
3.2 数据清洗
3.2.1 过滤无效MAC地址
3.2.2 过滤非移动设备
3.2.3 过滤无效移动设备
3.2.4 过滤无效和冗余数据
3.3 多源数据融合
3.3.1 多源数据融合分类
3.3.2 学生ID与MAC映射算法
3.3.3 学生校园轨迹
3.4 本章小结
第四章 基于个人画像的成绩预测
4.1 行为特征提取
4.1.1 时空特征
4.1.2 校园网特征
4.1.3 智能卡特征
4.1.4 自定义特征
4.2 特征相关性分析
4.2.1 统计性相关分析
4.2.2 皮尔森相关系数分析
4.2.3 单因素方差分析
4.3 学习成绩预测
4.4 本章小结
第五章 社交画像构建与Deep-Stu成绩预测
5.1 Stu2Vec学生向量嵌入算法
5.1.1 校园轨迹库构建
5.1.2 学生向量训练
5.1.3 轨迹相似度验证
5.2 社交画像构建
5.3 Deep-Stu成绩预测模型
5.3.1 学生轨迹矩阵构建
5.3.2 Deep-Stu模型
5.3.3 成绩预测结果
5.4 本章小结
第六章 学业预警与社交分析系统
6.1 数据持久层
6.2 表现层状态转化
6.3 学生画像展示
6.4 学生画像对比
6.5 异常学生预警
6.6 关注学生
6.7 本章小结
第七章 总结与展望
参考文献
致谢
攻读学位期间发表或已录用的学术论文
【参考文献】：
期刊论文
[1]教育大数据在高校贫困生预测中的应用研究[J]. 朱剑林,朱容波,康怡琳,韦唯. 教育教学论坛. 2018(21)
[2]基于智慧课堂的教育大数据分析与应用研究[J]. 刘邦奇,李鑫. 远程教育杂志. 2018(03)
[3]教育大数据深度学习的价值取向、挑战及展望——在技术促进学习的理解视域中[J]. 赵慧琼,姜强,赵蔚. 现代远距离教育. 2018(01)
[4]数据挖掘中的分类算法综述[J]. 魏茂胜. 网络安全技术与应用. 2017(06)
[5]发展教育大数据:内涵、价值和挑战[J]. 杨现民,唐斯斯,李冀红. 现代远程教育研究. 2016(01)
[6]关于数据挖掘中的数据分类算法的综述[J]. 钱双艳. 电子制作. 2014(13)
本文编号：3633094
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3633094.html
